规范化和清理R中的excel文件
我需要帮助清理R中的excel文件
这些是由不同人制作的excel文件，它们应该包含相同的文本。 我的任务是比较文本的片段，并确保它们匹配（有时候人们的types，有时候人们复制粘贴，这是一团糟）。
我特别的问题是，没有标准的格式，其中一些已经从PDF中提取。
给你一个想法，文字可能是这样的：
文件A：
“猴子必须吃：
·香蕉，或
6个香蕉。
文件B：
“猴子必须吃：
香蕉，或者
5个香蕉“。
文件C：
“猴子必须吃：
·香蕉，或
6个香蕉。
到目前为止，我已经使用了以下function的组合，但是最后我的比较仍然是FALSE 。
monkeyr$txtcp <- stri_enc_toascii(monkeyr$txtcp) monkeyr$txtcp <- removeNumbers(monkeyr$txtcp) #bad idea as I want to compare the number of bananas monkeyr$txtcp <- tolower(monkeyr$txtcp) monkeyr$txtcp <- stripWhitespace(monkeyr$txtcp) monkeyr$txtcp <- removePunctuation(monkeyr$txtcp) monkeyr$txtcp <- trimws(monkeyr$txtcp) monkeyr$txtcp <- stri_replace_all_charclass(monkeyr$txtcp, "\t", " ", merge = T) #This above was specially because I wanted to remove the "tab" in File 3. #Does not work. This is some sort of "invisible" tab that gets turned into #a series of ->->-> when saved as csv. 附加信息：
这是FILE C，在excel中被剥离和打开后的样子：
“不可见”选项卡的屏幕截图，变成箭头
有任何build议来正常化文本莫名其妙？
注意事项：没有使用Java的软件包。
提前致谢
编辑
示例input：
monkeyr <- structure(list(id = c("MON1", "MON2", "MON3"), txtcp = c("The monkey must be fed a combination of:\r\n<U+F0B7> Bananas, or\r\n<U+F0B7> 6 Bananas.", "The monkey must:\r\n· Be active\r\n· Be petted\r\n· Be inactive.", "The monkey must:\r\nbe tame\r\njump")), class = c("tbl_df", "tbl", "data.frame"), row.names = c(NA, -3L), .Names = c("id", "txtcp"))
预期产出：
cleanmonkey <- structure(list(id = c("MON1", "MON2", "MON3"), txtcp = c("the monkey must be fed a combination of bananas or 6 bananas", "the monkey must be active be petted be inactive", "the monkey must be tame jump" )), .Names = c("id", "txtcp"), class = c("tbl_df", "tbl", "data.frame" ), row.names = c(NA, -3L))
没有优雅，但这个怎么样。 代码replace非ASCII元素，然后是“\ r”和“\ n”，最后清理多余的空格。
monkeyr$clean <- str_replace_all(string = monkeyr$txtcp, pattern = "<U.*>", replacement = "") monkeyr$clean <- str_replace_all(string = monkeyr$clean, pattern = "\\\r", replacement = "") monkeyr$clean <- str_replace_all(string = monkeyr$clean, pattern = "\\\n", replacement = "") monkeyr$clean <- str_replace_all(string = monkeyr$clean, pattern = "[[:punct:]]", replacement = "") monkeyr$clean <- str_replace_all(string = monkeyr$clean, pattern = "\\s{2}", replacement = "") monkeyr$clean [1] "The monkey must be fed a combination of Bananas or 6 Bananas" [2] "The monkey must Be active Be petted Be inactive" [3] "The monkey mustbe tamejump"
应注意“mustbe”和“tamejump”的组合。